Kad agent dugo radi na jednom zadatku, važni detalji iz početka zatrpaju se novim koracima ili ispadnu iz konteksta. Autori to zovu slabljenjem stanja ponašanja. Istraživači iz Mete, s Yifanom Wuom kao prvim autorom, predložili su rješenje: zasebnog agenta koji pamti.
Kako radi
Agent za pamćenje vodi bilješke o zadatku: činjenice, detalje okruženja, popravke koji su uspjeli, naredbe koje nisu i ono što je ostalo nedovršeno. U svakom koraku odlučuje hoće li glavnom agentu dodati kratak podsjetnik ili ništa. Glavni agent se pritom ne mijenja.
Kao glavne agente testirali su modele Claude Sonnet 4.5, Claude Opus 4.6 i Qwen3.5-122B. Kao agenta za pamćenje koristili su Claude Opus 4.6 ili Qwen3.5-27B, dodatno treniran na zadacima iz naredbenog retka.
Rezultati
Na Terminal-Benchu 2.0, s 85 zadataka u naredbenom retku, Claude Sonnet 4.5 se s podsjetnicima popeo s 37,6 na 45,9 posto riješenih zadataka. Opus 4.6 dobio je manje, s 43,5 na 45,9 posto.
Na testu τ2-Bench, s 278 zadataka iz korisničke podrške za zrakoplovne tvrtke, trgovine i telekome, Sonnet 4.5 porastao je s 55 na 61,8 posto, a Opus 4.6 sa 66,2 na 68,7 posto.
Autori pišu da je ciljano podsjećanje bolje od stalnog ubacivanja cijelog pamćenja i od običnog pretraživanja bilješki.
